Duales zweigiges spatio-temporales Graphnetzwerk zur Lagerfehlerdiagnose

Die Gesundheit rotierender Maschinen beobachten

Von Windturbinen bis zu Fabrikförderern verlassen sich zahlreiche Maschinen auf rotierende Wellen, die von winzigen Metallbauteilen — sogenannten Lagern — gestützt werden. Beginnt ein Lager zu versagen, kann es unbemerkt Ausrüstung schädigen, die Produktivität verringern und sogar Unfälle verursachen. Dieses Paper stellt eine neue Methode vor, die subtilen Lager-Vibrationen aufzufangen und Probleme früh und zuverlässig zu erkennen, selbst wenn die Signale verrauscht sind und die Betriebsbedingungen sich ändern.

Warum Lager schwer zu diagnostizieren sind

Die moderne Industrie hängt von rotierenden Maschinen ab, die oft lange Stunden unter rauen Bedingungen laufen. Lager stehen im Zentrum dieser Systeme, und ihr Ausfall ist eine Hauptursache ungeplanter Stillstände. Ingenieure versuchen seit Langem, den Zustand von Lagern aus Vibrationssignalen abzulesen — zunächst mit Sinnen und einfachen Werkzeugen, dann mit fortgeschrittener Signalverarbeitung und neuerdings mit Machine Learning und Deep Learning. Dennoch tun sich diese Ansätze schwer, wenn die Drehzahl variiert, das Rauschen stark ist oder nur wenige Fehlerbeispiele vorliegen. Ein Problem ist, dass viele Methoden Vibrationsdaten entweder als einfache Zeitreihen oder als Bilder behandeln und dabei die vielschichtigen Beziehungen zwischen verschiedenen Zeit- und Frequenzpunkten außer Acht lassen, die schwache Schadensanzeichen verraten können.

Vibrationen in vernetzte Muster verwandeln

Die Autoren schlagen eine neue Perspektive vor: Anstatt Vibrationen als flaches Signal zu sehen, behandeln sie sie als Netzwerk verbundener Punkte, das sich über Zeit und Frequenz hinweg entwickelt. Zuerst schneiden sie die Rohvibration in kurze Segmente und wenden eine Kurzzeit-Fourier-Transformation an, die jedes Segment in eine Karte verwandelt, wie die Energie über Zeit und Frequenz verteilt ist. Anschließend wandeln sie diese Karten in Leistungsspektren um, die hervorheben, wo sich fehlerbedingte Energiepeaks vom Normalverhalten abheben. Jede verarbeitete Probe wird zu einem Knoten in einem „spatio-temporalen“ Netzwerk, und Verbindungen entstehen zwischen Knoten, deren spektrale Muster ähnlich sind. Diese vollständig verbundene Struktur bewahrt subtile Beziehungen zwischen Frequenzen und Zeitpunkten, die frühe oder seltene Fehler anzeigen können.

Aus zwei Blickwinkeln gleichzeitig lernen

Um dieses Netzwerk zu analysieren, bauen die Forschenden ein duales zweigiges spatio-temporales Graphnetzwerk (DBSGN). Im Kern steht eine Form neuronaler Netze, die für Graphdaten konzipiert ist und Informationen entlang der Verbindungen weiterleiten sowie Nachbarinformationen kombinieren kann. Das Team nutzt eine recheneffiziente Variante der Graph-Convolution, die auf Tschebyschew-Polynomen und der Laplace-Matrix des Graphen basiert und es ihnen erlaubt, mehrstufige Nachbarschaftsmuster zu erfassen, ohne die Berechnung zu überlasten. Entscheidenderweise teilen sie das Lernen in zwei separate Zweige: einen, der auf allen Proben trainiert wird und breite Muster von normalem und fehlerhaftem Verhalten erfasst, und einen, der nur auf Fehlerproben trainiert wird und sich auf feinere Merkmale spezialisiert, die verschiedene Fehlerarten und Schadensgrade unterscheiden.

Das Modell entscheiden lassen, welchem Zweig es vertraut

Da gesunde und fehlerhafte Zustände sehr unterschiedliche Anforderungen an das Modell stellen, wäre ein einfaches Mittel aus beiden Zweigen suboptimal. Stattdessen führen die Autoren einen gelernten Aufmerksamkeitsmechanismus ein, der die Ausgaben beider Zweige für jede Probe betrachtet und adaptive Gewichte zuweist. Bei klar gesunden Signalen stützt sich die Fusion stärker auf den auf alle Daten trainierten Zweig; bei offensichtlichen Fehlern betont sie den fehlerfokussierten Zweig; bei Grenz- oder leichten Fehlern balanciert sie die beiden aus. Diese Fusion wird zusammen mit beiden Zweigen mittels einer sorgfältig gestalteten kombinierten Verlustfunktion trainiert, sodass das Gesamtsystem kooperiert, um die Erkennung jeder Klasse — von gesund bis stark beschädigt — zu verbessern.

Die Methode in realen Testumgebungen beweisen

Das Team bewertet DBSGN anhand von drei weit verbreiteten Lagerdatensätzen der Case Western Reserve University, der Universität Paderborn und der University of Ottawa. Diese Testbeds decken unterschiedliche Maschinen, Sensoren, Lasten, Drehzahlen und Defekttypen ab, einschließlich zeitvariabler Drehgeschwindigkeiten. Über sechs gängige Leistungsmaße — Genauigkeit, Präzision, Rückruf (Recall), F1-Score, Fläche unter der ROC-Kurve und Matthews-Korrelationskoeffizient — erreicht die vorgeschlagene Methode gleichwertige oder bessere Ergebnisse als eine Reihe starker Vergleichsverfahren, darunter konventionelle Machine-Learning-Pipelines, Convolutional Neural Networks, Transformer für Zeitreihen und frühere graphbasierte Ansätze. In einem Datensatz erzielt DBSGN sogar perfekte Werte und identifiziert jede Probe korrekt. Visualisierungen der gelernten Merkmale zeigen, dass nach der Fusion unterschiedliche Lagerzustände gut getrennte Cluster bilden, was darauf hindeutet, dass das Modell eine klare interne Struktur in den Daten entdeckt hat.

Was das für alltägliche Maschinen bedeutet

Kurz gesagt zeigt diese Studie, dass die Behandlung von Vibrationsdaten als lebendes Netzwerk verwandter Ereignisse — und das Gegenüberstellen sowie die Fusion zweier spezialisierter Modelle — die Fehlerdiagnose sowohl genauer als auch stabiler machen kann. Für Anlagenbetreiber und Wartungsteams verspricht ein solches System frühere und verlässlichere Warnungen vor Lagerproblemen, weniger überraschende Ausfälle und einen sichereren Betrieb wichtiger Maschinen. Die Autoren weisen darauf hin, dass ihre derzeitige Graphkonstruktion und die spektralen Merkmale noch einige manuell abgestimmte Entscheidungen erfordern und zukünftige Arbeiten diese Schritte automatisieren und erweitern könnten. Dennoch stellt der duale zweigige spatio-temporale Graphansatz einen vielversprechenden Schritt hin zu intelligenterer, widerstandsfähiger Überwachung der rotierenden Hardware dar, die die moderne Industrie antreibt.

Zitation: Wang, Y., Li, Y., Li, C. et al. Dual-branch spatio-temporal graph network for bearing fault diagnosis. Sci Rep 16, 13184 (2026). https://doi.org/10.1038/s41598-026-42504-0

Schlüsselwörter: Lagerfehlerdiagnose, rotierende Maschinen, graphenbasierte neuronale Netze, Vibrationsanalyse, vorausschauende Wartung